論文の概要: Layer Decomposition Learning Based on Gaussian Convolution Model and
Residual Deblurring for Inverse Halftoning
- arxiv url: http://arxiv.org/abs/2012.13894v2
- Date: Sun, 7 Feb 2021 14:04:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-24 23:13:20.471771
- Title: Layer Decomposition Learning Based on Gaussian Convolution Model and
Residual Deblurring for Inverse Halftoning
- Title（参考訳）: ガウス畳み込みモデルに基づく層分解学習と逆ハーフトニングのための残留分解
- Authors: Chang-Hwan Son
- Abstract要約: 入力画像をベース層とディテール層に分離するための層分解は、画像復元に着実に使われている。
逆ハーフトニングでは、均質な点パターンは残留層から小さな出力範囲を妨げている。
ガウス畳み込みモデル(GCM)と構造認識デブレーション戦略に基づく新しい層分解ネットワークを提示する。
- 参考スコア（独自算出の注目度）: 7.462336024223669
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Layer decomposition to separate an input image into base and detail layers
has been steadily used for image restoration. Existing residual networks based
on an additive model require residual layers with a small output range for fast
convergence and visual quality improvement. However, in inverse halftoning,
homogenous dot patterns hinder a small output range from the residual layers.
Therefore, a new layer decomposition network based on the Gaussian convolution
model (GCM) and structure-aware deblurring strategy is presented to achieve
residual learning for both the base and detail layers. For the base layer, a
new GCM-based residual subnetwork is presented. The GCM utilizes a statistical
distribution, in which the image difference between a blurred continuous-tone
image and a blurred halftoned image with a Gaussian filter can result in a
narrow output range. Subsequently, the GCM-based residual subnetwork uses a
Gaussian-filtered halftoned image as input and outputs the image difference as
residual, thereby generating the base layer, i.e., the Gaussian-blurred
continuous-tone image. For the detail layer, a new structure-aware residual
deblurring subnetwork (SARDS) is presented. To remove the Gaussian blurring of
the base layer, the SARDS uses the predicted base layer as input and outputs
the deblurred version. To more effectively restore image structures such as
lines and texts, a new image structure map predictor is incorporated into the
deblurring network to induce structure-adaptive learning. This paper provides a
method to realize the residual learning of both the base and detail layers
based on the GCM and SARDS. In addition, it is verified that the proposed
method surpasses state-of-the-art methods based on U-Net, direct deblurring
networks, and progressively residual networks.
- Abstract（参考訳）: 入力画像をベース層とディテール層に分離するための層分解は、画像復元に着実に使われている。
付加モデルに基づく既存の残差ネットワークは、高速収束と視覚的品質改善のために出力範囲が小さい残差層を必要とする。
しかし、逆ハーフトーンでは、均質なドットパターンは残留層から小さな出力範囲を妨げている。
そこで,ガウス畳み込みモデル(GCM)に基づく新しい層分解ネットワークと構造認識型デブロアリング戦略を提案し,基礎層と詳細層の両方の残差学習を実現する。
ベース層には,新しいGCMベースの残留サブネットワークが提供される。
gcmは、ガウスフィルタによるぼやけた連続音画像とぼやけた半音画像との画像差を狭い出力範囲にすることができる統計分布を用いる。
その後、GCMベースの残差サブネットはガウスフィルタ半音像を入力とし、画像差分を残差として出力し、ガウスブル連続音像という基底層を生成する。
詳細層については、新しい構造対応残留劣化サブネットワーク(SARDS)を示す。
ベース層のガウス的ぼかしを取り除くため、SARDSは予測ベース層を入力として使用し、遅延バージョンを出力する。
線やテキストなどの画像構造をより効果的に復元するために、デブロアリングネットワークに新しい画像構造マップ予測器を組み込んで構造適応学習を誘導する。
本稿では,GCMとSARDSに基づいて,ベース層とディテール層の両方の残差学習を実現する手法を提案する。
さらに,提案手法は,U-Net,ダイレクトデブロアリングネットワーク,そして漸進的残留ネットワークに基づく最先端手法を超越していることを確認した。
関連論文リスト
- DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - Reti-Diff: Illumination Degradation Image Restoration with Retinex-based
Latent Diffusion Model [59.08821399652483]
照明劣化画像復元(IDIR)技術は、劣化した画像の視認性を改善し、劣化した照明の悪影響を軽減することを目的としている。
これらのアルゴリズムのうち、拡散モデル(DM)に基づく手法は期待できる性能を示しているが、画像レベルの分布を予測する際に、重い計算要求や画素の不一致の問題に悩まされることが多い。
我々は、コンパクトな潜在空間内でDMを活用して、簡潔な指導先を生成することを提案し、IDIRタスクのためのReti-Diffと呼ばれる新しいソリューションを提案する。
Reti-Diff は Retinex-based Latent DM (RLDM) と Retinex-Guided Transformer (RG) の2つの鍵成分からなる。
論文 参考訳（メタデータ） (2023-11-20T09:55:06Z) - Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳（メタデータ） (2023-10-11T12:46:11Z) - Improving Pixel-based MIM by Reducing Wasted Modeling Capability [77.99468514275185]
浅い層から低レベルの特徴を明示的に利用して画素再構成を支援する手法を提案する。
私たちの知る限りでは、等方的アーキテクチャのためのマルチレベル特徴融合を体系的に研究するのは、私たちは初めてです。
提案手法は, 微調整では1.2%, 線形探索では2.8%, セマンティックセグメンテーションでは2.6%など, 大幅な性能向上をもたらす。
論文 参考訳（メタデータ） (2023-08-01T03:44:56Z) - Scalable Kernel-Based Minimum Mean Square Error Estimator for
Accelerated Image Error Concealment [2.3484130340004326]
拡張性のある空間誤差隠蔽アルゴリズムを提案する。
カーネルベースの最小二乗誤差K-MMSE推定器の優れた再構成能力を利用する。
K-MMSEと同等の高品質な再構築を行い、計算時間の約10分の1を必要としている。
論文 参考訳（メタデータ） (2022-05-23T12:15:24Z) - Multi-layer Clustering-based Residual Sparsifying Transform for Low-dose
CT Image Reconstruction [11.011268090482575]
本稿では,X線CT(Computerd Tomography)再構成のためのネットワーク構造スペーシング変換学習手法を提案する。
我々は, PWLS (Palalized weighted least squares) 再構成において, MCSTモデルを正規化器に配置することにより低用量CT再構成にMCSTモデルを適用した。
シミュレーションの結果,PWLS-MCSTは従来のFBP法やEP正則化を用いたPWLSよりも画像再構成精度が高いことがわかった。
論文 参考訳（メタデータ） (2022-03-22T09:38:41Z) - Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文 参考訳（メタデータ） (2021-08-19T11:02:25Z) - A Hierarchical Coding Scheme for Glasses-free 3D Displays Based on
Scalable Hybrid Layered Representation of Real-World Light Fields [0.6091702876917279]
Schemeは、異なる走査順序から決定される光界ビューのサブセットから、積み重ねた乗法レイヤを学習する。
層状パターンの空間的相関は、クリロフ部分空間上の特異値分解から導かれる係数化の低い階数で悪用される。
HEVCによるエンコーディングは、低ランク近似層におけるイントラビューおよびインタービュー相関を効率的に除去する。
論文 参考訳（メタデータ） (2021-04-19T15:09:21Z) - Generating Attribution Maps with Disentangled Masked Backpropagation [22.065454879517326]
モデル関数を異なる線形写像に分解するために、DMBP(Disentangled Masked Backpropagation)を導入する。
DMBPは従来の手法よりも視覚的に解釈可能な属性マップを生成する。
提案手法により生成された地図は,最終的なネットワーク出力に対する各画素の真の寄与とより一致していることを示す。
論文 参考訳（メタデータ） (2021-01-17T20:32:14Z) - Multi-layer Residual Sparsifying Transform (MARS) Model for Low-dose CT
Image Reconstruction [12.37556184089774]
教師なしの方法で学習した新しい多層モデルに基づく画像再構成手法を開発した。
提案フレームワークは、画像の古典的スカラー化変換モデルを、Multi-lAyer Residual Sparsifying transform (MARS)モデルに拡張する。
限られた正規線量画像から教師なしの方法で層間変換を学習する効率的なブロック座標降下アルゴリズムを導出する。
論文 参考訳（メタデータ） (2020-10-10T09:04:43Z) - Identity Enhanced Residual Image Denoising [61.75610647978973]
我々は、アイデンティティマッピングモジュールのチェーンと、画像の復号化のための残像アーキテクチャの残像からなる、完全な畳み込みネットワークモデルを学ぶ。
提案するネットワークは,従来の最先端・CNNアルゴリズムよりも極めて高い数値精度と画像品質を実現している。
論文 参考訳（メタデータ） (2020-04-26T04:52:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。